深度学习在医学图像分割中的研究与应用
文献类型:学位论文
作者 | 杨雪松 |
答辩日期 | 2019-05-28 |
文献子类 | 博士 |
授予单位 | 中国科学院自动化研究所 |
授予地点 | 中国科学院自动化研究所 |
导师 | 范勇 |
关键词 | 医学图像分割,深度学习,卷积网络,度量学习,对抗网络,循环神经网络,协同分割 |
学位名称 | 工学博士 |
学位专业 | 模式识别与智能系统 |
英文摘要 | 图像分割作为医学图像处理中基础性的计算方法,其目的是从生物医学图像中标记出生物结构或器官的物理存在范围,是理解和分析医学图像,进行病理检测、疾病诊断等医学研究工作的数据基础。近年来,医学图像分割问题的研究取得了长足进展,分割算法的计算精度不断提高,应用场景和适用范围得到扩展和衍生。然而,由于医学图像的特殊性,现有分割方法难以满足现代医学分析任务所要求的普适的、自动化的、快速的、便捷的、高精度的图像分割计算。机器学习方法作为一种基于大量数据的统计性计算方法,为解决医学图像分割任务提供了新思路。其通过对训练图像数据的分析和总结,构建特征向量描述像素灰度值、空间位置或其他特征信息(轮廓、尺寸,形状等)的微小差别,并训练分类器推测原始图像中每一个像素点的类别。该类算法的精度依赖于特征向量、分类模型和原始图像数据的契合性,而由于医学图像的复杂性,高精度的机器学习方法并不容易实现,尤其是一些既定的特征提取方法往往较难适应不同类别的医学图像。深度学习模型是近十年来兴起的一种新颖的机器学习方法。该模型利用多层次叠加、互连的网络结构,多尺度地挖掘图像的纹理和空间分布特性,稳定地增强模型对像素类别的分辨能力。相比较传统的机器学习或统计学习方法,深度学习模型结构化、定制化的特征向量能足够精细地表征各类图像的全局分布或局部类别特点,使其可以精准地区分原图像中从属不同类别像素,而特征向量和分类器相互关联的耦合方式也使分割网络更加鲁棒,且易于延伸并吸收一些有益的先验知识。但由于深度学习模型网络结构复杂、层次较多、层次递进关系缺乏严格的数学证明,其应用往往存在网络结构定义复杂,训练缓慢的问题。本文立足于医学图像分割,试图用深度学习模型从多个角度分析解决现有模型疑难问题,丰富深度学习理论和应用基础。论文的主要工作和创新点归纳如下: |
学科主题 | 计算机科学技术 |
语种 | 中文 |
页码 | 122 |
源URL | [http://ir.ia.ac.cn/handle/173211/23991] |
专题 | 毕业生_博士学位论文 |
推荐引用方式 GB/T 7714 | 杨雪松. 深度学习在医学图像分割中的研究与应用[D]. 中国科学院自动化研究所. 中国科学院自动化研究所. 2019. |
入库方式: OAI收割
来源:自动化研究所
其他版本
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。